Ku inteligentnym systemom informacyjnym -...
Transcript of Ku inteligentnym systemom informacyjnym -...
strona 1M. Muraszkiewicz
Mieczysław MuraszkiewiczWydział Elektroniki
i Technik InformacyjnychPolitechniki Warszawskiej
Ku inteligentnym
systemom informacyjnym
strona 2M. Muraszkiewicz
prof. Mieczysław Muraszkiewicz
Mieszka w Warszawie
Mrg inż., Politechnika Warszawska, 1972
Doktorat, Polska Akademia Nauk, 1978
Habilitatacja, Politechnika Warszawska, 1984
Profesor, 1993
Obszary zainteresowań:
sieciowe systemy informacyjne, głeboka analiza danych, techniki mobilne,
e/m-governance, semantyczny web
Ekspert Narodów Zjednoczonych, Banku Światowego, Komisji Europejskiej i
rządu RP oraz korporacji telefonii bezprzewodowej w Polsce, Holandii i
Niemczech.
Publikacje:
ponad 110 artykułów i 12 książek; liczne wykłady zaproszone
Afiliacja: Politechnika Warszawska
strona 4M. Muraszkiewicz
Motto
“The purpose of
computing is
insight, not
numbers.”
Richard Hamming 1916 - 1998
strona 5M. Muraszkiewicz
Rajmunda Lullusa Ars Magna
1232 - 1316 Drzewo przyrody i logiki
Doctor illuminatus, R. Lullus, twierdził, że
prawdziwość nawet „najwyższych tajemnic”
może być dowiedziona mechanicznie, używając
logiki i Ars Magna.
strona 6M. Muraszkiewicz
1. Prolog
2. Morfologia tytułu wykładu
3. Reprezentacja wiedzy
4. Teza wykładu
5. Wybrane metody reprezentacji wiedzy
- logika
- sieci semantczne
- algorytmy genetyczne
6. Epilog
Spis treści
strona 8M. Muraszkiewicz
• inteligencja,
• informacja,
• system,
• system informacyjny.
Słowa kluczowe
strona 10M. Muraszkiewicz
• zdolność uczenia się,
• odkrywanie zależności (relacji),
• umiejętność rozumowania i wyciągania wniosków,
• zdolność rozwiązywania problemów,
• umiejętność mentalnego manipulowania obiektami,
• planowanie,
• umiejętności adaptacyjne,
• ...
W ujęciu kolokwialnym
strona 11M. Muraszkiewicz
„Intelligence is the
computational part of the
ability to achieve goals in
the world.
Varying kinds and degrees
of intelligence occur in
people, many animals and
some machines.”
http://www.kurzweilai.net/meme/frame.html?
main=/articles/art0088.html
Inteligencja wg J. McCarthy’ego
strona 12M. Muraszkiewicz
Inteligencja wg Ch. Spermana
Charles Spearman (1863-1945)
zaproponował jedną miarę
inteligencji, tzw. czynnik g (general).
Ma on mierzyć zdolność człowieka do
radzenia sobie z różnymi problemami
natury intelektualnej. Czynnik g ma być
swoistym destylatem różnego rodzaju
zdolności.
Źródło: Ch. Sperman, „General Intelligence, Objectively Determined and Measured”,
American Journal of Psychology, 15, 201-293, 1904
strona 13M. Muraszkiewicz
Lingwistyczna
Logiczna
Muzyczna
Przestrzenna
Ruchowa
IntRApersonalna
IntERpersonalna
Środowiskowa
Rodzaje inteligencji wg H. Gardnera
Źródło: H. Gardner. „Multiple intelligences”, New York, BasicBooks, 1993
strona 14M. Muraszkiewicz
Dwie szkoły
Inteligencja jest jedna
Sir F. Galton
Ch. Spearman
H.J. Eysenck
A.R. Jensen
Inteligencji jest wiele
H. Gardner
R.J. Sternberg
D. Zohar
strona 15M. Muraszkiewicz
Dwa cytaty
F. Scott Fitzgerald:
"The test of a first-rate intelligence is the
ability to hold two opposed ideas in the mind
at the same time, and still retain the ability to
function."
Cole's axiom:
"The sum of intelligence on the planet is a
constant; the population is growing."
strona 16M. Muraszkiewicz
Test A. Turinga (dot. maszyn):Jeśli człowiek prowadząc rozmowę z
niewidocznym interlokutorem nie jest w
stanie wykryć, że rozmówcą jest maszyną, to
można powiedzieć, że maszyna pozytywnie
przeszła Turinga test inteligencji.
Testy
1912 - 1954
Test D. Wechslera (dot. ludzi):Składa się z sześciu testów słownych
(Wiadomości, Powtarzanie Cyfr, Słownik,
Arytmetyka, Rozumienie, Podobieństwa)
oraz pięciu testów bezsłownych (Braki w
Obrazkach, Porządkowanie Obrazków,
Klocki, Układanki, Symbole Cyfr). 1896 - 1981
strona 17M. Muraszkiewicz
Pytanie 1
Czy świadomość jest
niezbędnym
elementem
inteligencji ?
strona 18M. Muraszkiewicz
ElizaI'm sorry to hear that you are depressed. (Eliza)
-- It's true, I am unhappy. (człowiek)
Do you think coming here will help you not to be
unhappy?
-- I need some help, that much seems certain.
What would it mean to you if you got some help?
-- Perhaps I could learn to get along with my mother.
Tell me more about your family.
...
Eliza, program komputerowy z 1966 stworzony przez
prof. Josepha Weizenbauma z MIT.
strona 19M. Muraszkiewicz
Pytanie 2
Czy inteligencja może pojawić się
samorzutnie („emergentnie”) w
złożonych i dużych strukturach
przetwarzających informacje i
wyposażonych w pamięć ?
strona 20M. Muraszkiewicz
Pytanie 3
Czy zastosowania
i sukcesy sztucznej
inteligencji mogą stać się
źródłem dylematów natury
etycznej ?
strona 21M. Muraszkiewicz
Kognitywistyka
„Kognitywistyka: synteza wiedzy o umyśle.
Składa się na nią:
• Refleksja filozoficzna nad naturą umysłu.
• Wiedza o zjawiskach psychicznych oraz zachowaniu ludzi i
zwierząt.
• Psycholingwistyka, badanie języka.
• Biologiczne podłoże zjawisk psychicznych - badania nad
mózgiem.
• Modele matematyczne i podejście inżynierskie: zbudujmy
sobie coś podobnego”
prof. Wodzisław Duch
http://www.phys.uni.torun.pl/~duch/cognitive.html
strona 22M. Muraszkiewicz
Warto odwiedzić/przeczytać:
Human Intelligence sites
www.indiana.edu/~intell/index.shtml
www.psych.utoronto.ca/~reingold/courses/
intelligence/intelligenceweb.html
Intelligence: One versus Many
www.personalityresearch.org/intelligence.html
Książka
E. Nęcka, J. Sowa. „Człowiek-umysł-maszyna.
Rozmowy o twórczości i inteligencji”, Znak, 2005
strona 24M. Muraszkiewicz
Dane, informacja, wiedza
• Informacja dane + interpretacja
np. tel.: 12-01-53
• Wiedza informacje powiązane
relacjami
np. 12 01 53 jest nr. telefonu Annynp. jeśli masz pieniądze, to jesteś bogaty
• Dane ciąg znaków, np. 12-01-53
strona 25M. Muraszkiewicz
Piramida epistemologiczna
dane
informacje
wiedza
mądrość
?
nie poddaje się komputeryzacji
poddaje się komputeryzacji
strona 26M. Muraszkiewicz
Spostrzeżenie
Choć dysponujemy
ogromnymi zasobami
danych („morzem
danych”), to wziąż
brakuje nam .... wiedzy.
strona 28M. Muraszkiewicz
Spojrzenie algebraiczne
System =
<zbiór elementów,
zbiór relacji,
zbiór operacji
>
strona 30M. Muraszkiewicz
Generyczne funkcje SI
Systemy informacyjne (SI)
służą do:
• Przechowywania informacji/wiedzy.
• Odpowiadania na pytania.
• Odkrywania wiedzy (poznawania świata na podstawie jego modeli
informacyjnych) –SI jako maszyna epistemologiczna.
strona 31M. Muraszkiewicz
komponent poziom
Funkcja celu 0
Model danych 3
Model procesów 2
Baza danych 2
Język interakcji (zwłaszcza wyszukiwanie) 3
Sprzęt 2
Oprogramowanie 3
Wydajność 2
Administracja systemu i utrzymanie go w ruchu 2
Mechanizmy ochrony danych i praw dostępu 3
Ludzie (personel, użytkownicy) ?
Aspekty finansowe ?
Otoczenie, sprawy organizacyjne ?...
System informacyjny
strona 34M. Muraszkiewicz
Pytanie
Czy komputery mogą być (są)
pożytecznym narzędziem do
poszukiwania/pozyskiwania
wiedzy oraz do wspierania
wnioskowania i myślenia?
strona 35M. Muraszkiewicz
Nie ma jednoznacznej, akceptowanej
przez większość, definicji wiedzy !
Wiedza dotyczy m.in.:
• obiektów, faktów,
• zdarzeń,
• procedur,
• wiedzy o sobie (metawiedza).
Czym jest wiedza ?
strona 36M. Muraszkiewicz
Czym jest wiedza ? – cd.
W ujęciu „filozoficznym” za wiedzę uznaje się
zbiór uzasadnionych przekonań.
W ujęciu „naukowym” za wiedzę uznaje się
zbiór uzasadnionych empirycznie lub logicznie/
matematycznie stwierdzeń, które można
poddawać falsyfikacji i krytyce (K. Popper).
W życiu „potocznym” za wiedzę uznaje się zbiór
doświadczeń i przekonań.
strona 37M. Muraszkiewicz
Wie ten,
kto umie klasyfikować.
Z. Pawlak
B. Russel
...
Czym jest wiedza ? – cd.
strona 38M. Muraszkiewicz
„Knowledge
is experience”
(A. Einstein)
Czym jest wiedza ? – cd.
strona 39M. Muraszkiewicz
Wiedza, to warunek podejmowania skutecznych
działań
(mantra świata korporacyjnego
i nie tylko ....)
Czym jest wiedza ? – cd.
strona 40M. Muraszkiewicz
Wiedza w organizacjach
Są to dane, informacje, procedury dotyczące
produktów, usług, rynków, technologii i procesów
biznesowych, które firma posiada lub powinna
posiadać po to, aby tworzyć wartość dodaną.
• własni i współpracujący eksperci
• technologie (know-how)• procesy
• patenty
• regulacje prawne
• rozwiązania organizacyjne
• relacje z klientami• ...
• bazy danych
• hurtownie danych
• zasoby w intranecie
• programy komputerowe
• e- oraz tradycyjne archiwa, w tym archiwa e-mailowe
• spisy
• ...
strona 43M. Muraszkiewicz
Reprezentacja ma znaczenie
na papierze w komputerzetekst kod
strona 44M. Muraszkiewicz
Po co RW ?
-- Rejestrowanie wiedzy:(i) dokumentacja, (ii) komunikacja.
-- Łatwość manipulowania
wiedzą w celu:(i) rozpoznawania, (ii) poznawania.
-- Badanie ludzkiej inteligencji.
strona 45M. Muraszkiewicz
Główną siłą sprawczą wyznaczającą zakres i
kierunek prac nad reprezentowaniem
wiedzy jest to, do czego owa reprezentacja
ma być stosowana oraz w - w pewnym
stopniu – to, w jaki sposób wiedza będzie
pozyskiwana.
Nie istnieje zatem jedna, akceptowana przez
wszystkich definicja terminu reprezentacja
wiedzy.
Nota
strona 46M. Muraszkiewicz
„Reprezentowanie wiedzy
polega na tworzeniu
opisów świata lub jego
stanów”
R. Brachman, H. Levesque, 1985
Definicja ogólna RW
strona 47M. Muraszkiewicz
„Knowledge representation is a multidisciplinary
subject that applies theories and techniques
from three other fields:
- Logic provides the formal structure and rules of
inference.
- Ontology defines the kinds of things that exist in
the application domain.
- Computation supports the applications that
distinguish knowledge representation from pure
philosophy.”John F. Sowa, „Knowledge Representation: Logical, Philosophical,
and Computational Foundations”, Brooks Cole Publishing Co., Pacific Grove, 2000
Definicja RW wg J. Sowa
strona 48M. Muraszkiewicz
Przez reprezentację wiedzy
rozumie się tu sposób w
jaki wiedza o świecie jest
przedstawiana wraz z
metodami przetwarzania, a
zwłaszcza wnioskowania
(inferencji).
„Nasza” definicja RW
strona 49M. Muraszkiewicz
Formalna definicja RW
RW =
<Język_opisu_wiedzy,
Mechanizm_przetwarzania_wiedzy
>
strona 50M. Muraszkiewicz
Procesy dotyczące RW
pozyskiwanie
wykorzystanie
Reprezentacja
wiedzy
(schematy)
manipulowanie
strona 51M. Muraszkiewicz
Problemy i cechy schematów RW
− zakres ("co można reprezentować ?"),
− wiarygodność / aktualność / pełność,
− rozdzielczość (wielkość "ziarna
reprezentacji") / dokładność,
− jaka jest wzajemna relacja pomiędzy
dokładnością i kosztem przetwarzania ?
strona 52M. Muraszkiewicz
Problemy i cechy schematów RW
− modularność / kontekstowość (podatność
na dodawanie, usuwanie elementów),
− czytelność dla człowieka,
− reprezentowanie niepełnej wiedzy,
przekonań, zdrowego rozsądku,
− reprezentowanie czasu i procesów,
− wiedza jawna - niejawna
("zaszyta", np. w treści programu),
strona 53M. Muraszkiewicz
Problemy i cechy schematów RW
− wnioskowanie niededukcyjne,
− wnioskowanie niemonotoniczne,
− niezawodność i efektywność wnioskowania,
− reprezentowanie metawiedzy,
− proceduralność, nieproceduralność,
− .... inne
strona 54M. Muraszkiewicz
Warto przeczytać/odwiedzić:
Ronald Brachman, Hectore Levesque (editors):
„Readings in Knowledge Representation”,
Morgan Kaufmann, 1985.
Ronald Brachman, Hectore Levesque, „Knowledge
Representation and Reasoning ”, Morgan Kaufmann, 2004.
R. Davis, H. Shrobe, and P. Szolovits, „What is a
Knowledge Representation?”, AI Magazine, 14(1):17-33,
1993
John F. Sowa, „Knowledge Representation: Logical,
Philosophical, and Computational Foundations”, Brooks
Cole Publishing Co., Pacific Grove, 2000
http://en.wikipedia.org/wiki/Knowledge_representation
strona 56M. Muraszkiewicz
Prosty podział metod RW
Analityczno-symboliczne
Oparte na pomysłach i koncepcjach wymyślonych przez człowieka (wpływy logiki i
matematyki – J. von Neumann).
„Naturalistyczne”
Oparte na rozwiązaniach wytworzonych przez „matkę naturę” w drodze ewolucji (wpływy
psychologii, neurologii, biologii, ewolucjonizmu –
K. Darwin, ...).
strona 57M. Muraszkiewicz
Kilka metod RW
• język naturalny,
• metody stosowane w obszarze baz danych, np. UML
• logika matematyczna (klasyczna, niestandardowa),
• reguły produkcji (production rules),
• sieci semantyczne (semantic networks),
• grafy koncepcji (concept graphs),
• ontologie,
• ramy, scenariusze (frames, scripts),
• zbiory przybliżone (rough sets),
• XML (?)
• sieci neuronowe (neural nets),
• algorytmy genetyczne (genetic algorithms)
• ...
strona 58M. Muraszkiewicz
Związki: SzI - SI
Systemy
informacyjne
(SI)Sztuczna
inteligencja
(SzI)
Reprezentacja
wiedzy
strona 60M. Muraszkiewicz
Teza wykładu
Dyskusje i praca nad inteligentnymi
systemami informacyjnymi na
platformach komputerowych w
dużym stopniu sprowadzają się do
kwestii reprezentacji wiedzy, a
zwłaszcza do metod wnioskowania.
strona 63M. Muraszkiewicz
Stagiryta
ArystotelesΑριστοτέλης
384 – 322 p.n.e.
I. Kant był przekonany, że
Arystoteles dokonał
wszyskiego, co mozliwe w
logice.
strona 64M. Muraszkiewicz
Tako rzecz Stagiryta
Dla Arystotelesa logika była narzędziem
myślenia - "Organon".
Od niego pochodzi termin sylogizm.
W jego "Analitykach pierwszych i wtórych"
znajdujemy przykład sylogizmu:
jeśli każda roślina płaskolistna traci liście, a każdy
krzew winorośli jest rośliną płaskolistną,
to każdy krzew winorośli traci liście".
strona 65M. Muraszkiewicz
Pytanie
Czy logika jest wrodzoną cechą
umysłu, z która się rodzimy,
czy raczej jest umiejętnością
nabytą, swego rodzaju
przystosowaniem
środowiskowo-kulturowym ?
Przykład: implikacja
odkrywamy
czy
wymyślamy ?
p q p → q
0 0 1
0 1 1, 0 ?
1 0 0
1 1 1
strona 66M. Muraszkiewicz
Polscy logicy
T. Kotarbiński K. Ajdukiewicz
A. Tarski
J. ŁukasiewiczS. Leśniewski
strona 67M. Muraszkiewicz
Inni giganci
B. Bolzano
B. Russell
G. Boole
K. Gödel A. Turing G. Chaitin
Kto z
Państwa
następny ?
G. Leibniz F. G. Frege
strona 68M. Muraszkiewicz
Cele logiki formalnej
1. Odkrywać, opisywać, badać zasady wnioskowania.
2. Zbadać i wykazać poprwność fundamentów matematyki; znaleźć odpowiedź na tzw. Entscheidungsproblem, Hilbert, 1900.[podać procedurę pozwalającą automatycznie rozstrzygać czy zdanie/ twierdzenie jest prawdziwe, czy fałszywe]
3. Zautomatyzować wnioskowanie (calculus, rachunek).
D. Hilbert
strona 69M. Muraszkiewicz
Składniki logiki
• język,
• semantyka,
• mechanizm
inferencyjny.
strona 70M. Muraszkiewicz
Język
Alfabet (zbiór symboli):stałe indywiduowe,
zmienne indywiduowe,
funkcje n-argumentowe,
relacje n-argumentowe czyli predykaty,
spójniki logiczne [ , ],
kwantyfikator ogólny [ ],
znaki interpunkcyjne [ , ( ) ]
Syntaktyka czyli składnia:termy (zbudowane ze stałych, zmiennych i funkcji)
- reprezentują obiekty ze świata,
formuły (zbudowane z predykatów i termów)
- reprezentują fakty o świecie.
Język jest
asemantyczny
strona 71M. Muraszkiewicz
Semantyka
Semantyka opisuje związek pomiędzy językiem a
"światem rzeczywistym".
Horse
This is a horse
1
0
Poprawnym
gramatycznie zdaniom
przypisuje się wartości
logiczne.
• prawda (1, T) lub
• fałsz (0, F)
strona 72M. Muraszkiewicz
Mechanizm inferencyjny
Reguły wnioskowania, np.
modus ponens - , / ;
Robinsona rezolucja - A B, C B / A C
uogólniania - / x
strona 73M. Muraszkiewicz
Teoria
Teoria jest sformalizowanym opisem świata
rzeczywistego.
W logice jest to pojęcie par excellence syntaktyczne.
Teoria = <
język, czyli zbiór formuł,
zbiór aksjomatów logicznych,
zbiór aksjomatów specyficznych,
reguły wnioskowania >
Aksjomaty logiczne (tautologie) i reguły
wnioskowania są ustalone. A więc teorię określa się
przez podanie symboli i aksjomatów specyficznych,
co w praktyce oznacza, że teorię można utożsamiać
ze zbiorem aksjomatów specyficznych.
strona 75M. Muraszkiewicz
Odpowiadanie na pytania
Odpowiadanie na pytania w
logicznych systemach
informacyjnych polega na
potraktowaniu pytania jako
twierdzenia (zdania
oznajmującego)
i próbie udowodnienia go.
strona 76M. Muraszkiewicz
Przykład
Baza faktów
Matka(Anna, Kasia),
Matka(Anna, Tomek),
Rodzeństwo(Jacek, Kasia),
Rodzeństwo(Irena, Maria),
Ojciec(Jan, Kasia),
Dziecko(Kasia, Anna, Jan),
...
Baza reguł
Matka(x, y) Matka(x, z)
Rodzeństwo(y, z),
Matka(x, y) Ojciec(z, y)
Dziecko(y, x, z),
...
PYTANIE
Czy Tomek i Kasia są rodzeństwem ?
FORMUŁA
Rodzeństwo(Tomek, Kasia)
ODPOWIEDŹ
Matka(x, Tomek) Matka(x, Kasia)
Rodzeństwo(Tomek, Kasia) jest
prawdziwe z bazy reguł
Matka(Anna, Tomek),
Matka(Anna, Kasia)
są prawdziwe z bazy faktów
a zatem na mocy modus ponens
Rodzeństwo(Tomek, Kasia) jest
prawdziwe, czyli są rodzeństwem.
Baza wiedzy
strona 77M. Muraszkiewicz
Zalety SI „w logice”
1. Język opisu zbliżony jest do języka naturalnego.
2. Uniwersalność języka logiki - opisuje bazę wiedzy i jest językiem manipulacji w tym językiem zapytań.
3. Deklaratywność (a nie proceduralność), co ułatwia komunikację.
4. Większa moc ekspresji niż bazy tradycyjne (np. "Janek zawsze ma słodycze lub owoce", "Kowalski nie jest inżynierem").
5. Modularność opisu.
6. Prowadzenie wnioskowania(np. wg. Robinsona schematu rezolucji: A B, C B/A C).
strona 78M. Muraszkiewicz
Wady SI „w logice”
1.Obowiązuje tw. Gödela.Teorie pierwszego rzędu w ogólnym
przypadku nie są rozstrzygalne, lecz są
półrozstrzygalne.
2.Duża złożoność
obliczeniowa.
(„wybuch wykładniczy”).
strona 79M. Muraszkiewicz
Warto przeczytać klasyków:
K. Ajdukiewicz, „Język i poznanie”, PWM, 1985.
T. Kotarbiński, „Wykłady z dziejów logiki”, PWN, 1985.
T. Kotarbiński, „Elementy teorii poznania, logiki formalnej i
metodologii nauk”, PWM, 1986.
A. Tarski, „Wprowadzenie do logiki”, Philomath, 1994.
A. Grzegorczyk, „Zarys logiki matematycznej”, PWN, 1981.
W. Pogorzelski, „Klasyczny rachunek kwantyfikatorów.
Zarys teorii”, PWN, 1981.
http://pl.wikipedia.org/wiki/Kategoria:Logika
strona 81M. Muraszkiewicz
Brak normy
Do tej pory nie opracowano definicji sieci
semantycznej, ani standardowych narzędzi
do ich opisu. Nie ma zatem powszechnie
akceptowanego sposobu opisu semantyki
sieci semantycznych ! (np. takiego, jaki
stosuje się w logice 1-go rzędu).
Znaczenie nadawane sieci wynika tylko z
treści procedur, które operują na sieci.
strona 82M. Muraszkiewicz
Budowa, ISA
Zasadniczymi składnikami sieci
są węzły sieci, łuki i napisy.
Sieć jest pewnym grafem.
Zasadniczą relacją jest relacja
taksonomii ISA (dziedziczenia
hierarchicznego).
Wszystkie kosy są ptakami
Możemy tu dodać informację, że:
Jaś jest kosem
kos ptakisa
kos ptakisa
Jaśisa
Możliwe jest zatem natychmiastowe wnioskowanie dedukcyjne:
Jaś jest kosem, kos jest ptakiem, zatem Jaś jest ptakiem.
strona 83M. Muraszkiewicz
Pułapki wnioskowania
Oprócz relacji taksonomii, zwykle potrzebne są do
opisu świata modelowanego relacje opisujące
własności obiektów, np. typu has_parts.
wnioskowanie prowadzi do wniosku, że uczeni
badają Jasia, co może ale nie musi być prawdą !
kos ptakisa
Jaśisa
skrzydłahas_part
gatunek chroniony uczenijest_badany
isa
strona 84M. Muraszkiewicz
Problemy
Ten nieoczekiwany rezultat wynika z tego, że w
powyższej sieci nie odróżnia się klasy obiektów od
konkretnego obiektu (wystąpienia). Rozwiązaniem
tych problemów zajmowali się m.in. Woods (1975),
Stefik (1980).
Problemów i pytań jest więcej, np.: czym jest węzeł;
jak reprezentować czas, idee, przekonania,
informacje niepewne i/lub niekompletne; jakie
powinny być reguły dziedziczenia własności ?
strona 85M. Muraszkiewicz
Sieć semantyczna jest systemem
informacyjnym.
Dla większości sieci semantycznych
mechanizm wnioskowania oparty jest na
dopasowywaniu reprezentacji kwerendy do
posiadanej sieci semantycznej.
Wnioskowanie
strona 86M. Muraszkiewicz
Przykład: w poniższym systemie informacyjnym
szukamy odpowiedzi na pytanie: Co posiada Jaś ?
Wnioskowanie
kos ptakisa
Jaśisa
GNIAZDO gniazdoisa
posiadama
POSIADA
isa
właściciel
Jaś
posiadama
POSIADA
isa
właściciel
?
System informacyjny Kwerenda
Jeśli dopasowanie nie powiedzie się, system udziela
odpowiedzi: Jaś nie posiada niczego.
strona 87M. Muraszkiewicz
Sieci semantyczne używano m.in. do:
konceptualnego opisu projektowanych
systemów informacyjnych (baz danych),
rozumienia języka naturalnego,
rozpoznawania i rozumienia mowy,
budowy interfejsów do systemów baz danych
opartych na języku naturalnym,
budowania systemów odpowiadających na
pytania (np. SIR),
tworzenia korpusów wiedzy robotów.
Sieci badano także łącznie z ramami (frame) Minsky'ego.
Zastosowania
strona 89M. Muraszkiewicz
Nota z Wikipedii
„Algorytm genetyczny to rodzaj
algorytmu przeszukującego
przestrzeń alternatywnych rozwiązań
problemu w celu wyszukania
rozwiązań najlepszych. Sposób
działania algorytmów genetycznych
nieprzypadkowo przypomina zjawisko
ewolucji biologicznej, ponieważ ich
twórca John Henry Holland właśnie z
biologii czerpał inspiracje do swoich
prac”.http://pl.wikipedia.org/wiki/Algorytm_genetyczny
strona 90M. Muraszkiewicz
Koncepcja
Elementy przestrzeni rozwiązań nazywane są
chromosomami, zaś składowe kodu chromosomu -
genami (najczęściej kodowane binarnie).
Ocenę nowopowstałych chromosomów prowadzi
się za pomocą funkcji dopasowania (uwaga:
funkcja ta nie powinna być zbyt mocno
selekcjonująca).
Do tworzenia nowych chromosomów korzysta się z
dwóch operatorów genetycznych:
- krzyżowania,
- mutacji.
strona 92M. Muraszkiewicz
Schemat ogólny
Źróło: http://panda.bg.univ.gda.pl/~sielim/genetic/gen_algol.htm#klasyczny
strona 93M. Muraszkiewicz
Algorytmbegin
t = 0 initialize population P(t);
evaluate fitness of individuals in P(t);
while terminate_condition not meet do
begin
t = t + 1;
Parents = select_parents_from P(t-1);
Children = generate_children_from Parents;
mutate Children;
evaluate children;
Survivors = select_survivors_from Parents
and Children;
add Survivors to P(t)end
end
strona 94M. Muraszkiewicz
Zastosowania
Rozwiązywanie problemów NP zupełnych (problem komiwojażera)
Optymalizacja
Projektowanie obwodów elektrycznych
Przeszukiwanie dużych przestrzeni rozwiązań
Pozyskiwanie wiedzy
...
strona 95M. Muraszkiewicz
Warto zapoznać się z:
Goldberg D., „Algorytmy genetyczne i ich zastosowania",
Wydawnictwa Naukowo-Techniczne, Warszawa 1995.
Michalewicz Z., „Algorytmy genetyczne+struktury
danych=programy ewolucyjne”, Wydawnictwa Naukowo-
Techniczne, 1996.
Rutkowska D., Piliński M., Rutkowski L., „Sieci neuronowe,
algorytmy genetyczne i systemy rozmyte"
Wydawnictwo Naukowe PWN, 1997
Wprowadzenie do algorytmów genetycznych,
http://panda.bg.univ.gda.pl/~sielim/genetic/index.htm
Jędrkowiak L., Algorytmy genetyczne,
http://wombat.ict.pwr.wroc.pl/internet/flash/index1.html
strona 97M. Muraszkiewicz
Mówi Alicja:
Jeśli nie wiecie
dokąd idziecie, to
prawdopodobnie
zajdziecie gdzie
indziej.